УДК 004.89 Прикладные системы искусственного интеллекта. Интеллектуальные системы, обладающие знаниями
В статье рассматривается проблема поддержки принятия решений на финансовых рынках в условиях нестационарности и высокой волатильности, характерной для российского рынка в период повышенной макроэкономической неопределенности 2022–2024 годов. Традиционные подходы на основе технического анализа с фиксированными параметрами теряют эффективность при резких сменах рыночных режимов. Предложен метод динамической адаптации периодов расчета технических индикаторов на основе степенной зависимости от текущей волатильности рынка, обеспечивающий нелинейную реакцию системы на изменение рыночных условий. Разработана архитектура гибридной модели LSTM-TI-Adaptive, интегрирующей 33 входных признака (28 адаптивных технических индикаторов и 5 базовых признаков OHLCV) с двухслойной рекуррентной нейронной сетью LSTM. Предложенный метод обеспечивает автоматическую настройку параметров всех классов индикаторов — трендовых, осцилляторов, индикаторов объема и волатильности — на основе единого адаптационного механизма без ручного вмешательства. Работоспособность предложенного метода подтверждена экспериментальным тестированием на 28 финансовых инструментах российского, американского и криптовалютного рынков за период 2015--2024 годов: адаптивная архитектура обеспечивает прирост среднегодовой доходности на 4,2 процентных пункта и снижение максимальной просадки на 3,1 процентных пункта по сравнению с системой на фиксированных параметрах, что подтверждает практическую значимость разработанного метода адаптации.
системы поддержки принятия решений, нестационарные временные ряды, адаптивные системы, системный анализ, архитектура информационных систем, методы принятия решений, глубокое обучение, экспериментальное исследование
1. Opiola M., Souza M.H., Souza M., de Nuccio E. The role of artificial intelligence for management decision-making: a structured literature review // Management Decision. 2023. Vol. 61. No. 13. P. 1–29.
2. Power D.J., Sharda R., Burstein F. Decision Support Systems // Wiley Encyclopedia of Management. 2015. Vol. 7. P. 1–4. DOI:https://doi.org/10.1002/9781118785317.weom070211
3. Мерфи Дж. Технический анализ фьючерсных рынков: теория и практика / пер. с англ. М.: Диаграмма, 2020. 592 с.
4. Глебова А.Г., Ковалева А.А. Прогнозирование волатильности российского биржевого рынка акций в условиях международных экономических санкций // Финансы: теория и практика. 2024. Т. 28. № 1. С. 20–29. DOI:https://doi.org/10.26794/2587-5671-2024-28-1-20-29
5. Vortelinos D.I. Forecasting realized volatility: HAR against principal components combining, neural networks and GARCH // Research in International Business and Finance. 2017. Vol. 39. P. 824–839. DOI:https://doi.org/10.1016/j.ribaf.2015.01.004
6. Видмант О. С. Прогнозирование финансовых временных рядов с использованием рекуррентных нейронных сетей LSTM // Общество: политика, экономика, право. 2018. № 5. С. 63–66.
7. Алжеев А.В., Кочкаров Р.А. Сравнительный анализ прогнозных моделей ARIMA и LSTM на примере акций российских компаний // Финансы: теория и практика. 2020. Т. 24. № 1. С. 14–23. DOI:https://doi.org/10.26794/2587-5671-2020-24-1-14-23
8. Савин С.В., Мурзин А.Д. Системы поддержки принятия решений на базе искусственного интеллекта: интеграция, адаптация и оценка эффективности // Экономика и управление. 2024. Т. 30. № 12. С. 1521–1534.
9. Borovykh A., Bohte S., Oosterlee C.W. Conditional time series forecasting with convolutional neural networks // Expert Systems with Applications. 2022. Vol. 186. Article 115742.
10. Livieris I.E., Kiriakidou N., Stavroyiannis S., Pintelas P. An advanced deep learning model for short-term forecasting US natural gas price and movement // Energy. 2024. Vol. 257.
11. Sezer O.B., Gudelek M.U., Ozbayoglu A.M. Financial time series forecasting with deep learning: A systematic literature review: 2005–2019 // Applied Soft Computing. 2020. Vol. 90. Article 106181. DOI:https://doi.org/10.1016/j.asoc.2020.106181
12. Jiang W. Applications of deep learning in stock market prediction: Recent progress // Expert Systems with Applications. 2021. Vol. 184. Article 115537. DOI:https://doi.org/10.1016/j.eswa.2021.115537
13. Fischer T., Krauss C. Deep learning with long short-term memory networks for financial market predictions // European Journal of Operational Research. 2018. Vol. 270. No. 2. P. 654–669. DOI:https://doi.org/10.1016/j.ejor.2017.11.054
14. Lim B., Arik S.O., Loeff N., Pfister T. Temporal fusion transformers for interpretable multi-horizon time series forecasting // International Journal of Forecasting. 2021. Vol. 37. No. 4. P. 1748–1764. DOI:https://doi.org/10.1016/j.ijforecast.2021.03.012
15. Nabipour M., Nayyeri P., Jabani H., Mosavi A., Salwana E. Deep learning for stock market prediction // Entropy. 2020. Vol. 22. No. 8. Article 840. DOI:https://doi.org/10.3390/e22080840
